01 · 研究
当前
STAR
Systematic Toolchain for AI Research
推进一个研究项目：从想法出发，经可复现实验，产出可直接用于论文的证据。
STAR
Every STAGE needs a STAR
一个可复用的项目基础，面向可复现、结构良好的 AI 研究： 一套可预期的目录布局、一个统一的实验入口，以及一条由十五个 skill 组成的工作流， 把一个模糊的想法一路带到一个可发布的仓库，每个决策都有档可查。 到了要写成论文的时候，STAGE 把这些结果作为带指纹的证据接过去，在其上写出论文。
15工作流 skill
7支持的 AI 智能体
2语言 · EN 中文
MIT开源
为何选择 STAR
一切各归其位。
每个决策都有档可查。
项目结构只存在于某个人的脑海中、上下文只存在于聊天窗口里，研究代码就会腐坏。 STAR 把两者都搬进仓库本身。
一致的目录布局
代码、数据、权重、输出和方法文档，各有一个可预期的归宿：code/、datas/、inits/、wkdrs/、metds/。
可迁移的运行环境
与机器相关的路径只保存在本地 .env 中，绝不写进脚本。在任何机器上克隆仓库，指向你的 conda 或 venv，即可运行。
统一的实验入口
bash execs/run.sh <exp> 会激活环境、导出路径变量，并以同样的方式启动任何实验脚本，无一例外。
可追踪、可恢复的研究过程
计划保存在 metds/plans/，执行中间文件保存在 tasks/，运行产物保存在 wkdrs/。关键决策、任务依赖和验证记录都沉淀在项目文件中，而不是聊天记录里，因此任何会话，无论来自人还是智能体，都能从上次停下的地方精确接续。一次会话学到、又没有任何计划或报告认领的事实（环境怪癖、长期偏好、走不通的路）记在 .star/memory/ 里，由会话钩子送到下一个智能体面前。
原生支持 AI 智能体
为 Codex、Claude、Kimi、Cursor、DSH、Pi 和 Qwen Code 提供共享的指令与相同的 skill 集，中英文皆有。你的智能体遵循与你相同的约定，而 .env 里的两个旋钮定下条件：INVOLVE 决定一次运行在做决定前问你多少，STAR_LANG 决定它用哪种语言写。底层仍不绑定具体框架：模型技术栈、依赖管理工具和实验跟踪平台都由你自行选择。
适合大文件的安全默认配置
本地数据、模型权重、生成的输出和环境配置默认不纳入版本控制。通过符号链接接入已有项目，不移动任何文件，不覆盖任何内容。提交守卫会拦下代价高昂、难以撤销的操作：把全部改动一并暂存、改写历史，以及任何会把检查点写进历史的提交。
无扰升级
bash execs/update.sh 把新版 STAR 的 skill 和工作流指南同步到已有项目中，不触碰你的代码、实验和 Git 远程仓库。
项目结构
八个目录。
无需猜测。
这些缩写命名是刻意为之：输入简短、搜索无歧义， 并且在你打开的每一个 STAR 项目中都完全一致。
STAR/
├── code/ # 核心源码（目录名由 CODE_NAME 配置）
├── datas/ # 数据集及数据文件
├── inits/ # 模型权重与检查点
├── metds/ # 方法文档
│ ├── ideas/ # 选题探索
│ ├── plans/ # 研究计划与子计划
│ └── refs/ # 相关工作笔记 + reference.bib
├── execs/ # 执行
│ ├── run.sh # ← 统一入口
│ ├── update.sh
│ └── scpts/ # 实验脚本
├── tasks/ # 按计划归档的执行中间文件
├── wkdrs/ # 运行输出：日志、指标、图表
├── docs/ # 文档站点
├── .env # 本机路径（绝不提交）
└── AGENTS.md # 人与智能体共享的规范
datas/数据——原始、处理后或生成的数据集inits/初始化——预训练权重与检查点metds/方法文档——计划、设计笔记、研究记录execs/执行——启动器与实验脚本scpts/脚本——可直接运行的实验定义tasks/任务——各计划自有的工具脚本与工作文件wkdrs/工作目录——日志、指标、预测结果与产物研究工作流
十五个 skill。
同一片星图。
从模糊的兴趣到已发布的仓库，每个 skill 都把自己的证据写进 项目文件，让整个研究过程随时可审计、可恢复。
✦
塑形收敛出研究选题，并把它变成可验证的计划。
$star-proj-adopt无损接入一个已经开工的项目：勘察、符号链接、记录。
$star-idea-storm把模糊的兴趣收敛为站得住脚的研究选题，并按六个维度打分。
$star-plan-coach通过分阶段提问澄清想法，形成战略性研究计划。
$star-refs-reviewer调研相关工作，产出分析笔记和经过核验、分类的文献库。
✦
构建搭起代码库及其所需的运行环境。
$star-code-architect从打分选出的参考实现奠基代码库，或勘察并重组已有代码，并记录架构。
$star-env-builder依据 .env 构建 conda 环境或 venv，解析依赖并验证能否跑通。
$star-plan-decomposer把战略计划递归拆解为可验证、可执行的子计划。
✦
执行实现每个叶子计划，并审计其产出。
$star-plan-executor实现并初步验证一个可执行的叶子计划，记录每次运行。
$star-code-reviewer对照项目规范和计划承诺的实现审查代码，再落实例行性修复：minor 直接改，major 经批准后改。
$star-expt-analyst对照计划的预期审计一次运行：产物、日志、指标及其含义。
✦
掌舵用执行证据校准计划树，使其始终诚实可信。
$star-plan-reviser以执行证据就地修订计划，并保留修订历史。
$star-expt-digest汇总项目近期的进展：结论、变动与缺口。
$star-flow-status报告整个流程的进度，以及下一步该做的唯一动作。
✦
交付把成熟的计划变成论文与发布。
$star-metd-summarize把计划树编译成可用于论文的方法文档，并标记未经验证的部分。
$star-code-release把仓库准备到可发布状态：提升代码、打磨细节、汇编 README、清查密钥。
快速开始
六条命令，点火启航。
从模板全新开始，或者在已有仓库中运行 update.sh --adopt，
STAR 会围绕你的工作完成安装，不移动任何一个文件。
# 1 · 从 STAR 模板创建项目
❯ git clone https://github.com/wanghao9610/STAR my-research && cd my-research
❯ rm -rf .git .github && git init # 丢弃 STAR 的历史记录和维护者 CI
# 2 · 命名你的源码包，然后配置本地运行环境
❯ mv code my_pkg
❯ cp .env.example .env && $EDITOR .env # CODE_NAME=my_pkg，然后是 PYTHON_HOME（或 CONDA_HOME + ENV_NAME）
# 3 · 看看有哪些可运行的实验
❯ bash execs/run.sh --list
# 4 · 通过统一入口启动——00_exp 会打印解析出的路径
❯ bash execs/run.sh 00_exp
❯
随时就绪
给你的研究一个
值得反复回来的结构。
STAR 免费、基于 MIT 许可证、不绑定任何框架。 既可用作 GitHub 模板，也可接入你已有的项目。